II-Researcher: pesquisa profunda e raciocínio por etapas para responder a perguntas complexas

Introdução geral

O II-Researcher é uma ferramenta de pesquisa de IA de código aberto desenvolvida pela equipe da Intelligent-Internet e hospedada no GitHub, projetada para pesquisa profunda e raciocínio complexo, capaz de responder a perguntas complexas por meio de pesquisa inteligente na Web e análise em várias etapas. Lançado em 27 de março de 2025, o projeto é compatível com várias ferramentas de pesquisa e rastreamento (por exemplo, Tavily, SerpAPI, Firecrawl) e integra o LiteLLM para chamar diferentes modelos de IA. Os usuários podem obter o código gratuitamente e implantá-lo ou modificá-lo por conta própria, o que é adequado para pesquisadores, desenvolvedores e outras pessoas que precisam de processamento eficiente de informações. Sua essência está na operação de código aberto, configurável e assíncrona, fornecendo suporte transparente à pesquisa.

Lista de funções

• Pesquisa inteligente na Web: via Tavily e SerpAPI para obter informações precisas.
• Rastreamento e extração de páginas da Web: suporte a Firecrawl, Browser, BS4 e outras ferramentas para extrair conteúdo.
• Raciocínio em várias etapas: a capacidade de decompor um problema e raciocinar passo a passo para chegar a uma resposta.
• Modelos configuráveis: suporte para ajuste de LLMs para diferentes tarefas (por exemplo, GPT-4o, DeepSeek).
• Operações assíncronas: melhorando a eficiência da pesquisa e do processamento.
• Gerar respostas detalhadas: fornecer relatórios abrangentes com referências.
• Pipelines personalizados: os usuários podem ajustar o processo de pesquisa e raciocínio.

Usando a Ajuda

Processo de instalação

Para usar o II-Researcher, você precisa instalar e configurar o ambiente. Veja a seguir as etapas específicas:

1. Clonagem da base de código
   Digite o seguinte comando no terminal para fazer o download do código:

git clone https://github.com/Intelligent-Internet/ii-researcher.git
cd ii-researcher

2. Instalação de dependências
   O projeto requer o Python 3.7+. Execute o seguinte comando para instalar as dependências:

pip install -e .

3. Definição de variáveis de ambiente
   Configure as chaves e os parâmetros de API necessários. Exemplo:

export OPENAI_API_KEY="your-openai-api-key"
export TAVILY_API_KEY="your-tavily-api-key"
export SEARCH_PROVIDER="tavily"
export SCRAPER_PROVIDER="firecrawl"

Configuração opcional (para compressão ou inferência):

export USE_LLM_COMPRESSOR="TRUE"
export FAST_LLM="gemini-lite"
export STRATEGIC_LLM="gpt-4o"
export R_TEMPERATURE="0.2"

4. Execução do servidor de modelo local LiteLLM
   Instale o LiteLLM:

pip install litellm

Criação de arquivos de configuração litellm_config.yaml::

model_list:
- model_name: gpt-4o
litellm_params:
model: gpt-4o
api_key: ${OPENAI_API_KEY}
- model_name: r1
litellm_params:
model: deepseek-reasoner
api_key: ${OPENAI_API_KEY}
litellm_settings:
drop_params: true

Inicie o servidor:

litellm --config litellm_config.yaml

O padrão é executar no http://localhost:4000.

5. Implantação do Docker (opcional)
   Depois de configurar as variáveis de ambiente, execute:

docker compose up --build -d

Endereço de serviço:

• Front-end:http://localhost:3000
• API de back-end:http://localhost:8000
• LiteLLM:http://localhost:4000

Funções principais

Pesquisa profunda inteligente

• procedimento::

1. Execute-o na linha de comando:

python cli.py --question "AI如何改善教育质量？"

2. O sistema chama o Tavily ou o SerpAPI para pesquisar e retornar resultados.

• Descrição funcionalSuporte a pesquisas de várias fontes, adequado para problemas complexos.

raciocínio em várias etapas

• procedimento::

1. Use o modelo de inferência:

python cli.py --question "AI在教育中的优缺点" --use-reasoning --stream

2. O sistema analisa e emite conclusões passo a passo.

• Descrição funcionalCapacidade de lidar com tarefas que exigem dedução lógica.

rastreador da web

• procedimento::

1. configurar SCRAPER_PROVIDER="firecrawl" e a chave da API.
2. Execute uma tarefa de pesquisa para rastrear automaticamente o conteúdo da Web.

• Descrição funcionalSuporte a várias ferramentas de rastreamento para garantir um conteúdo abrangente.

Uso da interface da Web

• procedimento::

1. Inicie a API de backend:

python api.py

2. entrar em frontend instale e execute o front-end:

npm install
npm run dev

3. entrevistas http://localhost:3000, problemas de entrada.

• Descrição funcionalInterface gráfica: Oferece uma interface gráfica para uma operação mais intuitiva.

advertência

• É necessária uma conexão de rede estável para acessar a API.
• Requisitos de hardware: 8 GB de RAM para funcionalidade básica, mais de 16 GB e GPU recomendados para inferência de modelos grandes.
• Verificação de registros: verifique os registros com o comando docker compose logs -f Verifique o status de execução.
• Configuração de tempo limite: Tempo limite de pesquisa padrão de 300 segundos, ajustável SEARCH_PROCESS_TIMEOUT.

Com essas etapas, os usuários podem implementar e usar facilmente o II-Researcher para o processo completo, desde a pesquisa até a inferência.

cenário do aplicativo

1. pesquisa acadêmica
   Os pesquisadores podem usá-lo para pesquisar a literatura, analisar dados e gerar relatórios.
2. desenvolvimento de tecnologia
   Os desenvolvedores podem desenvolver ferramentas de pesquisa personalizadas com base na estrutura.
3. Auxílios educacionais
   Os alunos podem usá-lo para organizar informações e responder a perguntas.
4. análise de mercado
   As empresas podem usá-lo para reunir informações do setor e gerar análises de tendências.

QA

1. O II-Researcher é gratuito?
   Sim, é um projeto de código aberto e o código é gratuito para os usuários.
2. Precisa de uma base de programação?
   Requer conhecimento básico de operações em Python, mas a documentação é detalhada o suficiente para que os iniciantes possam começar.
3. Ele é compatível com o idioma chinês?
   Suporte, configure o modelo e a ferramenta de pesquisa corretos para lidar com a tarefa chinesa.
4. Quais são os requisitos mínimos de hardware?
   8 GB de RAM para executar funções básicas, mais de 16 GB e GPU recomendados para tarefas grandes.